该研究提出了一种以非局部聚合为基础的简单而有效的图神经网络框架，采用高效的注意力引导排序，用于解决不同类型的图数据集，实验结果表明，在效率和模型性能方面，该方法显著优于先前针对不同类型图案的最先进方法。

May, 2020

研究的是网络中的同配混合，特别是在人际关系网络中，根据语言、种族和年龄等属性进行混合以及此过程中的生成函数方法和蒙特卡罗图形生成技术的应用。

Sep, 2002

本研究关注图神经网络的本质问题：无法仅仅依靠局部信息计算多个重要的图形特征；同时提出了信息传递图神经网络的第一个数据相关泛化界限，这一分析专门考虑了 GNN 局部置换不变性，该边界比现有的基于 VC 维度的 GNN 保证要紧密，与循环神经网络的 Rademacher 界限相当。

Feb, 2020

本文研究了节点分类的任务，并建立了群体公平性（以统计平衡和平等机会方式衡量）与局部同配性之间的联系，即链接节点具有相似属性的趋势，在社交网络中，这种同配性通常是由于同质性引起的，而同质性可以迫使个人进入共享敏感属性的社区；通过合成图，我们研究了本地同质性和公平预测之间的相互作用，发现并非所有节点邻域在这方面都是平等的。本文还研究了是否可以将不公平问题与应用 GNN 模型的设计相关联，我们发现采用能够处理非同配组标签的异质性 GNN 设计可以在真实和合成数据集中将局部异质性邻域的群体公平性提高高达 25％，优于同质性设计。

Jul, 2022

本文研究了图神经网络的表达能力，发现其存在局限性。作者提出为每个节点添加随机特征，这样 GNN 就能够学习一些最优多项式时间近似算法，同时该方法方便与其他 GNN 模型结合使用。经实验证明，加入随机特征的 GNN 能够解决一些无法被传统的 GNN 模型解决的问题。

Feb, 2020

该论文从理论角度研究了如何利用图神经网络解决组合问题的近似算法，并提出了一种新的 GNN 类别，揭示了 GNN 的相对近似比，并证明了在节点特征中添加染色可以提高学习算法的近似比。

May, 2019

本文研究了图神经网络的可扩展性和推广性，并提出了灵活的 GNNs 框架，通过多种节点更新函数和内部循环优化，使网络能够灵活适应新图并在多项推理任务中提高泛化能力。

Sep, 2022

该研究介绍了一种方法，以便在节点级别上描述跨多个尺度的同质混合，从而捕捉和定量评估网络中混合模式的分布。

Aug, 2017

本文针对图形分布中局部结构与图形大小相关的情况，探讨了图神经网络在不同大小的图上的泛化能力，发现了一些针对小图很好但对大图表现不佳的全局最小值，提出了两种改善图形大小泛化能力的方法，其中包括一个自我监督学习任务，该任务能够提供在大图中出现的局部结构的有意义表示，并在多个数据集上改善了分类准确度。

Oct, 2020

本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达到了当前状态的最佳性能。

Feb, 2020